Cours RStudio

Leçon 1 • Installation de R et RStudio

Couvre le téléchargement et la configuration de R et RStudio sur les principaux systèmes d'exploitation. Établit l'environnement de travail nécessaire à tous les exercices suivants.

Leçon 2 • Navigation dans l'interface de RStudio

Présente les quatre volets principaux et leurs fonctions dans RStudio. Permet un flux de travail efficace en maîtrisant la personnalisation de la disposition et l'utilisation des volets.

Leçon 3 • Écriture et exécution de scripts R

Enseigne la création, la sauvegarde et l'exécution de fichiers de script R. Relie les habitudes de script à des flux d'analyse de données reproductibles et organisés.

Leçon 4 • Obtenir de l'aide dans RStudio

Montre les outils d'aide intégrés, la consultation de la documentation et les ressources de la communauté. Permet aux étudiants de résoudre les problèmes de manière autonome tout au long du cours.

Leçon 1 • Travailler avec les vecteurs

Enseigne la création, l'indexation et les opérations sur les vecteurs atomiques. Les vecteurs sont la base fondamentale de toutes les structures de données en R.

Leçon 2 • Listes et structures imbriquées

Explique les listes comme conteneurs flexibles pour des types de données mixtes. Prépare les étudiants à manipuler des données complexes et hiérarchiques courantes dans les projets réels.

Leçon 3 • Types de données scalaires en R

Couvre les types numériques, entiers, caractères, logiques et complexes. La compréhension des types évite les erreurs de coercition dans les tâches de manipulation de données ultérieures.

Leçon 4 • Matrices et tableaux

Présente les matrices bidimensionnelles et les tableaux multidimensionnels. Développe les compétences pour le calcul numérique et la représentation structurée des données.

Leçon 1 • Importation de données JSON et Web

Montre l'utilisation de jsonlite et httr pour lire des réponses JSON et API. Élargit l'accès aux données aux sources modernes basées sur le web et semi-structurées.

Leçon 2 • Exportation de données et de résultats

Couvre write.csv(), writexl et saveRDS pour la sauvegarde des résultats. Garantit que les étudiants peuvent fournir des produits de données propres et reproductibles aux parties prenantes.

Leçon 3 • Lecture de fichiers CSV et texte

Enseigne l'utilisation de read.csv(), read.table() et des fonctions readr pour les fichiers plats. Établit le flux de travail d'ingestion de données le plus courant utilisé en pratique.

Leçon 4 • Connexion aux bases de données

Présente les packages DBI et odbc pour interroger les bases de données relationnelles. Permet aux étudiants d'accéder aux sources de données d'entreprise directement depuis RStudio.

Leçon 1 • Gestion des données manquantes

Couvre la détection, la suppression et l'imputation des valeurs manquantes dans les tableaux de données. Empêche les erreurs en aval causées par les valeurs NA dans les pipelines d'analyse.

Leçon 2 • Jointure et fusion de tableaux de données

Explique les jointures gauche, droite, interne et complète à l'aide des fonctions de jointure de dplyr. Développe la capacité de combiner des données provenant de plusieurs sources en un seul jeu de données.

Leçon 3 • Remodelage des données avec tidyr

Montre l'utilisation de pivot_longer() et pivot_wider() pour la transformation des données en format tidy. La structure tidy est nécessaire pour la plupart des fonctions de visualisation et de modélisation.

Leçon 4 • Verbes dplyr fondamentaux

Enseigne l'utilisation de filter(), select(), mutate(), arrange() et summarize(). Ces cinq verbes gèrent la majorité des tâches de transformation de données réelles.

Leçon 1 • Types de graphiques courants

Couvre les nuages de points, les diagrammes en barres, les histogrammes, les boîtes à moustaches et les graphiques en lignes. L'adéquation du type de graphique au type de données est une compétence fondamentale de communication des données.

Leçon 2 • Sauvegarde et exportation de graphiques

Couvre l'utilisation de ggsave() avec les options de format, de résolution et de taille pour l'exportation. Garantit que les graphiques répondent aux normes de qualité pour les rapports, les présentations et les publications.

Leçon 3 • Facettage et graphiques multi-panneaux

Montre l'utilisation de facet_wrap() et facet_grid() pour les visualisations en petits multiples. Le facettage révèle les modèles au niveau du groupe sans encombrer un seul graphique.

Leçon 4 • Personnalisation des thèmes et des étiquettes

Enseigne les étiquettes d'axes, les titres, les légendes et les thèmes intégrés pour un rendu soigné. La personnalisation transforme les graphiques bruts en visuels professionnels et adaptés au public.

Leçon 1 • Tests d'hypothèse

Couvre les tests t, les tests du chi-deux et l'ANOVA pour comparer des groupes. Les étudiants sélectionnent le test approprié en fonction du type de données et de la question de recherche.

Leçon 2 • Analyse de corrélation

Enseigne les coefficients de corrélation de Pearson et de Spearman ainsi que les tests de significativité. La corrélation quantifie les relations linéaires et monotones entre les variables.

Leçon 3 • Statistiques descriptives

Calcule les mesures de tendance centrale, de dispersion et de forme de distribution. Les résumés descriptifs sont le point de départ de toute analyse quantitative.

Leçon 4 • Régression multiple et sélection de modèle

Étend la régression à plusieurs prédicteurs et introduit les critères de comparaison de modèles. Les étudiants construisent des modèles parcimonieux qui équilibrent l'ajustement et la complexité.

Leçon 1 • Mise en forme des tableaux dans les rapports

Demonstrates knitr::kable() and kableExtra for styled, publication-ready tables. Well-formatted tables communicate data summaries more effectively than raw output.

Leçon 2 • Rapports paramétrés

Enseigne les paramètres YAML et render() pour générer plusieurs variantes de rapports. La paramétrisation automatise la production de rapports pour différents sous-groupes ou périodes.

Leçon 3 • Sortie vers PDF et Word

Configure la sortie PDF basée sur LaTeX et les modèles de documents Word. L'adaptation du format de sortie aux normes organisationnelles garantit l'acceptation par les parties prenantes.

Leçon 4 • Introduction à R Markdown

Explique la structure des fichiers R Markdown, l'en-tête YAML et le processus de tricotage. Le reporting reproductible élimine les erreurs de copier-coller manuelles dans les livrables analytiques.

Leçon 1 • Programmation fonctionnelle avec purrr

Enseigne l'utilisation de map(), map_df() et walk() pour appliquer des fonctions à des listes. L'itération fonctionnelle remplace les boucles for sujettes aux erreurs par un code lisible et prévisible.

Leçon 2 • Débogage et gestion des erreurs

Présente tryCatch(), browser() et traceback() pour diagnostiquer les échecs de code. Une gestion robuste des erreurs empêche les échecs silencieux dans les pipelines d'analyse de production.

Leçon 3 • Flux de contrôle et conditionnelles

Explique les structures if/else, switch(), for-loops et while-loops en R. Les structures de flux de contrôle permettent un comportement de programme dynamique et dépendant des conditions.

Leçon 4 • Écriture de fonctions personnalisées

Couvre la syntaxe des fonctions, les arguments, les valeurs par défaut et les valeurs de retour. Les fonctions personnalisées éliminent la duplication de code et imposent une logique cohérente dans tous les scripts.